Mjuka färdigheter som alla dataforskare behöver – KDnuggets

Bild av författare
 

Jag känner den här killen som är en otrolig kodare. Han plockade upp Python för att byta karriär, sedan staplade han snabbt på JavaScript, Go, SQL och några andra bara för kick. Och han är bra också, inte bara en av de människor som sätter språk på sitt CV med nej data scientist färdigheter för att säkerhetskopiera dem.

Men han har svårt att bli anställd. Jag träffade honom på kaffe för några veckor sedan, och vårt samtal inspirerade den här artikeln. Utan att vilja förolämpa honom för mycket tog jag upp hur hans senaste intervju hade gått. Han hade dykt upp lite sent, han hade inte skickat ett tackmejl efteråt, och medan han klarade alla kodningsproblem, ägnade han sig inte åt whiteboardfrågorna längre än att spotta ut ett helt korrekt svar.

”Kev”, sa jag till honom, ”din kodning är otroligt bra. Vilket företag som helst skulle ha tur att ha dig som datavetare. Men du måste arbeta med dina mjuka färdigheter.”

Här är de fyra viktiga mjuka färdigheter som jag rekommenderar för varje datavetare, oavsett om du vill komma in på fältet, avancera i din karriär eller bara göra ett bättre jobb.

 

Bild av författare

Alla tror att detta innebär att veta hur man pratar. Det är tvärtom: bra kommunikation handlar om att veta hur man lyssnar, särskilt inom datavetenskap.

Föreställ dig det här scenariot: en intressent, kanske en marknadschef, kommer till dig med en fråga om en kampanj hon vill driva. Hon är exalterad över det och har en vision i huvudet, men hon är inte säker på hur hon ska mäta dess inverkan eller vilken data hon behöver. Istället för att genast dyka ner i det tekniska hur du kan dra data eller vilka modeller du kan använda, lyssnar du först. Du låter henne förklara sina mål, sina bekymmer och vad hon hoppas uppnå med kampanjen.

Genom att aktivt lyssna kan du förstå det bredare sammanhanget för hennes begäran. Kanske letar hon inte bara efter en enkel analys utan vill förstå kundernas beteende eller segmentera publiken på ett sätt som hon inte hade tänkt på. Genom att lyssna först kan du tillhandahålla en lösning som är skräddarsydd för hennes faktiska behov, inte bara den initiala uppgiften.

Kommunikation är nyckeln inom datavetenskap. Du kommer inte att arbeta i en mörk källare och skriva kod på ett tangentbord hela dagen; du får förfrågningar och ska sätta ihop presentationer och ta itu med människor. Som i dataanalytikerkunskaper, du måste veta hur man kommunicerar för att lyckas.

StackOverflow 2023-utvecklarundersökningen är faktiskt ett bra exempel på anpassningsförmåga. Författarna presenterade för första gången en AI-sektion, som visar anmärkningsvärd anpassningsförmåga till ett föränderligt utvecklingslandskap.

AI är bara ett exempel. Datavetenskap är en så bra illustration av det gamla ordspråket: den enda konstanten är förändring. För att bli en framgångsrik dataforskare måste du vara redo att rulla med slagen.

Detta kan betyda många olika saker. Den mest uppenbara applikationen är att lätt kunna lära sig ny teknik. Molnteknik är nytt. AI är nytt. FastAPI är nytt. Du måste hänga med i allt.

En annan applikation är att hänga med i arbetslivet. Trenden på sistone är inte bara att vara datavetare i traditionell mening; många arbetsgivare förväntar sig att du bär många hattar. Du måste också vara dataingenjör, maskininlärningsingenjör och ibland till och med domänexpert. Gränserna mellan dessa roller suddas ut, och moderna datavetare befinner sig ofta i att jonglera med uppgifter som en gång iordningställts i separata roller.

Du kan också ta det som att förstå och integrera feedback. Som datavetare bygger vi ofta modeller eller lösningar baserade på vissa antaganden eller datauppsättningar. Men de fungerar inte alltid som förväntat. Att vara anpassningsbar innebär att ta denna feedback med ro, iterera på dina modeller och förbättra dem baserat på verkliga resultat.

Den kanske värsta men viktigaste applikationen är att anpassa sig till att bli uppsagd eller uppsagd. 2021 och 2022 var konstiga år för arbetskraft, med massor av stora företag som sade upp stora delar av anställda med liten varning. Det är en bra idé att förutse detta potentiella resultat och vara redo för det.

Bild av författare
 

Kommer du ihåg hur jag pratade om kommunikation? Lagarbete och samarbete passar in i samma konsol. Som data scientist arbetar du inte bara med andra data scientists. Alla älskar databaserat allt, så du kommer att vara mottagare av hur många förfrågningar som helst om att producera PowerPoint-presentationer, rapporter och grafer.

För att göra detta framgångsrikt måste du spela trevligt med andra. Datavetenskapliga projekt involverar ofta att arbeta med tvärfunktionella team, inklusive affärsanalytiker, ingenjörer och produktchefer. Att kunna samarbeta effektivt säkerställer att de datavetenskapliga lösningarna överensstämmer med affärsmålen.

Till exempel, i en av mina tidigare roller, ville produktteamet introducera en ny funktion i vår app. Uppenbarligen behövdes data för att stödja deras beslut. De kontaktade mig och resten av datavetenskapsteamet för insikter om användarbeteende relaterat till liknande funktioner.

Samtidigt ville marknadsföringsteamet veta hur den här nya funktionen kan påverka användarengagemang och retention. Under tiden behövde ingenjörsteamet förstå de tekniska kraven och hur datapipelines skulle påverkas.

Vårt team blev centralt i detta. Vi var tvungna att samla in krav från produktteamet, ge insikter till marknadsföringsteamet och arbeta med ingenjörsteamet för att säkerställa ett smidigt dataflöde. Detta kräver inte bara teknisk expertis utan också förmågan att förstå varje teams behov, kommunicera effektivt – och ibland medla mellan motstridiga intressen.

Jag tar polisrutten och nämner inte problemlösning som den ultimata mjuka färdigheten eftersom jag tror att den är överanvänd. Men ärligt talat, nyfikenhet uppgår till samma sak.

Som datavetare behöver jag nog inte berätta att du kommer att stöta på en massa problem. Men i sin kärna är varje problem faktiskt en fråga.

"Våra användare konverterar inte", blir "Hur kan vi göra den här produkten mer attraktiv?"

"Min modell ger mig inte exakta förutsägelser," blir "Vad kan jag ändra för att göra min modell mer realistisk?" 

"Vår försäljning har minskat under det senaste kvartalet," blir "Vilka faktorer påverkade denna nedgång och hur kan vi hantera dem?"

Vart och ett av dessa problem förvandlas, när de bemöts med ett nyfiket tänkesätt, till en fråga som söker förståelse och förbättring. Nyfikenhet driver dig att gräva djupare, att inte bara acceptera saker till nominellt värde, och att ständigt söka bättre lösningar.

Kevin, från mitt intro, var en nyfiken person i allmänhet. Men av någon anledning när det gällde datavetenskap hade han blinkers. Varje problem blev en spik som måste lösas med en kodhammare. Och verkligheten är att inte mycket av datavetenskapligt arbete kan göras på det sättet.

Han gav mig ett exempel på något som han fick frågan vid en intervju nyligen: ”Kundsupportteamet har tagit emot klagomål om webbplatsens kassaprocess. Hur skulle du åtgärda detta?”

Kevin fortsatte i detalj om hur han skulle fixa det tekniska felet. Men svaret som hans intervjuare letade efter var en fråga som "Varför tycker användarna att kassaprocessen är besvärlig?"

I den verkliga världen skulle en dataforskare behöva ställa denna fråga för att lösa problemet. Kanske har användare från en viss region problem på grund av en lokal betalningsgateways integration. Eller så kanske den mobila versionen av webbplatsen inte är lika användarvänlig, vilket leder till att vagnen överges.

Genom att formulera problemet som en fråga stannar dataforskaren inte bara vid att identifiera problemet; de fördjupar sig i "varför" bakom det. Detta tillvägagångssätt leder inte bara till mer effektiva lösningar utan avslöjar också djupare insikter som kan driva strategiska beslut.

Det finns massor av mjuka färdigheter som jag inte nämnde här, som empati, motståndskraft, tidshantering och kritiskt tänkande, för att nämna några. Men om du tänker efter så faller de alla inom de parenteserna.

Kommunicera med människor. Vet hur man ändrar sig. Kunna arbeta med andra. Och närma sig problem med nyfikenhet. Med dessa fyra mjuka färdigheter kommer du att kunna ta itu med alla problem, jobbintervjuer eller buggar som kommer i din väg.
 
 

Nate Rosidi är datavetare och inom produktstrategi. Han är också adjungerad professor som undervisar i analys och är grundaren av StrataScratch, en plattform som hjälper datavetare att förbereda sig för sina intervjuer med riktiga intervjufrågor från toppföretag. Ta kontakt med honom Twitter: StrataScratch or LinkedIn.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs